FedKDX：基于负知识蒸馏的联邦学习用于增强医疗人工智能系统
机器学习
2026-01-09 v1 人工智能
摘要
本文提出了 FedKDX，一个通过负知识蒸馏（NKD）解决医疗人工智能局限性的联邦学习框架。与仅关注正向知识迁移的现有方法不同，FedKDX 同时捕获目标信息与非目标信息，以提升模型在医疗应用中的泛化能力。该框架在统一架构内集成了多种知识迁移技术——包括传统知识蒸馏、对比学习和 NKD——在降低通信成本的同时保护了隐私。通过在医疗数据集（SLEEP、UCI-HAR 和 PAMAP2）上的实验，FedKDX 展现出更高的准确率（比 SOTA 方法提升高达 2.53%）、更快的收敛速度以及在 non-IID 数据分布上更优的性能。理论分析支持 NKD 在解决分布式医疗数据统计异质性方面的贡献。该方法在 HIPAA 和 GDPR 等监管框架下对隐私敏感的医疗应用显示出良好前景，为去中心化医疗场景在性能与实际实施需求之间提供了平衡的解决方案。代码和模型可在 https://github.com/phamdinhdat-ai/Fed_2024 获取。
引用
@article{arxiv.2601.04587,
title = {FedKDX: Federated Learning with Negative Knowledge Distillation for Enhanced Healthcare AI Systems},
author = {Quang-Tu Pham and Hoang-Dieu Vu and Dinh-Dat Pham and Hieu H. Pham},
journal= {arXiv preprint arXiv:2601.04587},
year = {2026}
}